搜索
过去两年，AI for Science 正在经历一场肉眼可见的转向。自 AlphaFold 拿下诺贝尔奖、AlphaFold 3 和 ESM3 等模型相继问世后，AI 在生命科学里的角色，已经不再局限于预测一个蛋白结构或生成一段序列，而是开始直接接管“提出科学假设”这一核心环节。
材料科学一向被视为经验科学。几十年来，研发范式几经更迭，从爱迪生式试错到材料基因工程，再到计算模拟，却始终绕不开同一道约束：物理模型只在成熟体系内有效，一到新材料就失灵；行业积累的数据是写给人看的，一条不过十几个数值，撑不起AI的学习。结果是，人类用了数千年的金属材料，真正探索过的成分空间或许还不到10%。
Personal Agent 这个赛道，至今仍存在巨大的非共识，热度与质疑并存。
AI模型后训练公司Trajectory宣布完成4500万美元A轮融资，由红杉资本领投，英伟达、Bessemer Venture Partners和Bain Capital Ventures参投，估值达3亿美元，其基于持续学习的后训练平台已正式向公众开放。
乔布斯心中的Siri，这次可能真的走进现实了。
下一代 GPT 的一个重要线索，Sam Altman 透露了。
660倍的参数差距，结果小模型赢了？！
“在每一个有创造性活动的领域里，一个人的Taste，加上他的能力和机遇，决定了他的风格；而他的风格，反过来决定了他的贡献。因此Taste和风格之于科学研究，就像它们对文学、艺术和音乐一样至关重要。”
人类用了两千年的模拟计算，开始被重新定义了。
统一多模态模型（Unified Multimodal Models, UMMs）通常为理解和生成分别使用不同的视觉表示：用 ViT 提取理解所需的语义特征，用 VAE 提供生成所需的潜变量。这样一来，同一张图像要以两种 token 进入上下文，视觉上下文随之变长；这种双流接口也不同于视觉-语言模型（VLM）常用的单一视觉流，难以直接沿用成熟的 VLM 预训练流程。